Monitorowanie i alerty w potoku danych
Czas połączyć to wszystko w całość! Pewnie się już domyślasz, że obsługa błędów za pomocą try-except i logowanie idą ze sobą w parze. Obie te praktyki są niezbędne, aby potok danych był odporny na błędy i przejrzysty – stanowią też fundament bardziej zaawansowanych rozwiązań do monitorowania i alertowania.
pandas został zaimportowany jako pd, a moduł logging jest już załadowany i skonfigurowany. DataFrame raw_sales_data został wyekstrahowany i jest gotowy do transformacji.
To ćwiczenie jest częścią kursu
ETL i ELT w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
def transform(raw_data):
return raw_data.loc[raw_data["Total Price"] > 1000, :]
try:
# Attempt to transform DataFrame, log an info-level message
clean_sales_data = transform(raw_sales_data)
logging.____("Successfully filtered DataFrame by 'Total Price'")
except Exception:
# Log a warning-level message
____.____("Cannot filter DataFrame by 'Total Price'")